YOLO11模型推理 | 目标检测与跟踪 | 实例分割 | 关键点估计 | OBB旋转目标检测

置顶 已于 2025-03-02 12:53:56 修改
阅读量1.1w 收藏 163
点赞数 32
CC 4.0 BY-SA版权
文章标签： YOLO11 模型推理 目标检测与跟踪 实例分割 关键点估计 旋转目标检测
于 2024-10-09 21:50:43 首次发布
© 本文为博主原创文章，未经博主允许不得转载；请联系博主@一颗小树（国溥）
本文链接：https://blog.csdn.net/qq_41204464/article/details/142789655

在这篇博客中，我们将详细分析YOLO11的模型推理，检测任务包括物体分类、目标检测与跟踪、实例分割 、关键点估计、旋转目标检测等。

我们将从官方推荐的安装方法开始，帮助你快速搭建YOLO11环境，并提供直接调用源码的方式以便于开发者根据需求定制模型。

为了满足不同场景的需求，YOLO11提供了多个推理版本，包括简洁版、专业版以及返回更丰富检测结果的版本，使得大家可以根据实际需求选择最合适的解决方案。

目录

首先安装YOLO11

A、官方默认安装方式

 B、直接调用YOLO11源码方式

一、YOLO11模型推理——目标检测

1.1、模型推理（简洁版）

1.2、模型推理（专业版）

1.3、模型推理（丰富返回结果版本）

二、YOLO11模型推理——实例分割

三、YOLO11模型推理——关键点估计

四、YOLO11模型推理——旋转目标检测

五、YOLO11模型推理——物体分类

首先安装YOLO11

A、官方默认安装方式

通过运行 pip install ultralytics 来快速安装 Ultralytics 包

安装要求：

  • Python 版本要求：Python 版本需为 3.8 及以上，支持 3.8、3.9、3.10、3.11、3.12 这些版本。
  • PyTorch 版本要求：需要 PyTorch 版本不低于 1.8。

然后使用清华源，进行加速安装

pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple/

 B、直接调用YOLO11源码方式

这种方式无需安装ultralytics，而且能灵活修改源代码。

首先到YOLO11代码地址，下载源代码：https://github.com/ultralytics/ultralytics

  • 在 GitHub 仓库页面上，用户点击绿色的 "Code" 按钮后，会弹出一个选项框。
  • 选择通过 HTTPS 或 GitHub CLI 克隆仓库，也可以点击框中的 "Download ZIP" 按钮，将整个仓库下载为 ZIP 压缩包到本地。

解压ultralytics-main.zip文件，目录结构如下所示

然后在ultralytics同级目录中，添加需要训练的代码（train.py）

以及测试数据的文件夹：datasets，权重文件目录：weights

ultralytics-main/
    .github/
    datasets/
    docker/
    docs/
    examples/
    runs/
    tests/
    ultralytics/
    weights/
    .gitignore
    CITATION.cff
    CONTRIBUTING.md
    LICENSE
    mkdocs.yml
    print_dir.py
    pyproject.toml
    README.md
    README.zh-CN.md
    train.py

weights目录可以存放不同任务的权重，比如：yolo11m-cls.pt、yolo11m-obb.pt、yolo11m-pose.pt、yolo11m-seg.pt、yolo11m.pt、yolo11n.pt等。

train.py文件是和ultralytics文件夹同一级目录的

后面可以直接调用ultralytics源代码中的函数、类和依赖库等，如果有需要直接修改ultralytics中的代码，比较方便。

备注：本文的模型推理代码支持官方默认安装方式，同时支持直接调用YOLO11源码方式

一、YOLO11模型推理——目标检测

1.1、模型推理（简洁版）

YOLO11模型推理，整体思路流程：

  1. 加载模型：使用 YOLO 类指定模型的权重文件 yolo11m.pt。
  2. 执行推理：调用 model.predict() 方法对指定输入的数据，可以设置图像大小、置信度阈值，并选择保存推理结果。
  3. 处理检测结果：遍历 results，提取每个结果中的边界框和分类概率。
  4. 显示结果：通过 result.show() 可视化检测到的图像及其标注信息。

示例代码，如下所示： 

from ultralytics import YOLO
 
# 加载预训练的YOLOv11n模型
model = YOLO(r"weights_yolo/yolo11m.pt")

# 对'bus.jpg'图像进行推理，并获取结果
results = model.predict(r"test_image/test1.jpg", save=True, imgsz=640, conf=0.5)
 
# 处理返回的结果
for result in results:
    boxes = result.boxes       # 获取边界框信息
    result.show()              # 显示结果

执行后能看到检测的结果，如下图所示：

1.2、模型推理（专业版）

由于是直接调用model.predict() 方法进行推理，我们需要知道这个函数有哪些参数；

下面看看这个专业版，包括的完整参数示例，里面有所有model.predict() 函数的参数

results = model.predict(

    source="test.jpg",           # 数据来源，可以是文件夹、图片路径、视频、URL，或设备ID（如摄像头）

    conf=0.45,                      # 置信度阈值

    iou=0.6,                        # IoU 阈值

    imgsz=640,                      # 图像大小

    half=False,                     # 使用半精度推理

    device=None,                    # 使用设备，None 表示自动选择，比如'cpu','0'

    max_det=300,                    # 最大检测数量

    vid_stride=1,                   # 视频帧跳跃设置

    stream_buffer=False,            # 视频流缓冲

    visualize=False,                # 可视化模型特征

    augment=False,                  # 启用推理时增强

    agnostic_nms=False,             # 启用类无关的NMS

    classes=None,                   # 指定要检测的类别

    retina_masks=False,             # 使用高分辨率分割掩码

    embed=None,                     # 提取特征向量层

    show=False,                     # 是否显示推理图像

    save=True,                      # 保存推理结果

    save_frames=False,              # 保存视频的帧作为图像

    save_txt=True,                  # 保存检测结果到文本文件

    save_conf=False,                # 保存置信度到文本文件

    save_crop=False,                # 保存裁剪的检测对象图像

    show_labels=True,               # 显示检测的标签

    show_conf=True,                 # 显示检测置信度

    show_boxes=True,                # 显示检测框

    line_width=None                 # 设置边界框的线条宽度，比如2，4

)

示例代码，如下所示： 

from ultralytics import YOLO

# 加载预训练的YOLOv11n模型
model = YOLO(r"weights_yolo/yolo11m.pt")

# 对指定的图像文件夹进行推理，并设置各种参数
results = model.predict(
    source="test_image/test.jpg",   # 数据来源，可以是文件夹、图片路径、视频、URL，或设备ID（如摄像头）
    conf=0.45,                      # 置信度阈值
    iou=0.6,                        # IoU 阈值
    imgsz=640,                      # 图像大小
    half=False,                     # 使用半精度推理
    device=None,                    # 使用设备，None 表示自动选择，比如'cpu','0'
    max_det=300,                    # 最大检测数量
    vid_stride=1,                   # 视频帧跳跃设置
    stream_buffer=False,            # 视频流缓冲
    visualize=False,                # 可视化模型特征
    augment=False,                  # 启用推理时增强
    agnostic_nms=False,             # 启用类无关的NMS
    classes=None,                   # 指定要检测的类别
    retina_masks=False,             # 使用高分辨率分割掩码
    embed=None,                     # 提取特征向量层
    show=False,                     # 是否显示推理图像
    save=True,                      # 保存推理结果
    save_frames=False,              # 保存视频的帧作为图像
    save_txt=True,                  # 保存检测结果到文本文件
    save_conf=False,                # 保存置信度到文本文件
    save_crop=False,                # 保存裁剪的检测对象图像
    show_labels=True,               # 显示检测的标签
    show_conf=True,                 # 显示检测置信度
    show_boxes=True,                # 显示检测框
    line_width=None                 # 设置边界框的线条宽度，比如2，4
)

# 处理返回的结果
for result in results:
    boxes = result.boxes  # 获取边界框信息
    probs = result.probs  # 获取分类概率
    result.show()         # 显示推理结果

执行后能看到检测的结果，如下图所示：

1.3、模型推理（丰富返回结果版本）

模型推理后的返回信息：

  • 原始图像及其形状：result.orig_img 和 result.orig_shape 展示原始输入的图像及其形状。
  • 边界框、类别置信度及标签：通过 result.boxes 和 result.probs 获取边界框和分类的置信度信息，并打印类别名称。
  • 可选属性：如果模型检测了 masks、keypoints 或 OBB（定向边界框），将其打印出来。
  • 速度信息：result.speed 用于显示每张图像的推理时间。
  • 结果展示与保存：使用 result.show() 显示图像，result.save() 保存图像
  • 结果转换：将检测结果转换为 numpy 数组和 JSON 格式并打印。

示例代码，如下所示： 

from ultralytics import YOLO

# 加载预训练的YOLOv11n模型
model = YOLO(r"weights_yolo/yolo11m.pt")

# 对'bus.jpg'图像进行推理，并获取结果
results = model.predict(r"test_image/test1.jpg", save=True, imgsz=640, conf=0.5)

# 处理返回的结果
for result in results:
    # 打印原始图像和形状
    print(f"Original Image: {result.orig_img}")
    print(f"Original Shape: {result.orig_shape}")

    # 打印边界框、置信度、类别标签
    print(f"Bounding Boxes: {result.boxes}")
    print(f"Class Probabilities: {result.probs}")
    print(f"Class Names: {result.names}")

    # 如果有 mask、关键点或 OBB（定向边界框），也将其打印出来
    if hasattr(result, 'masks'):
        print(f"Masks: {result.masks}")
    if hasattr(result, 'keypoints'):
        print(f"Keypoints: {result.keypoints}")
    if hasattr(result, 'obb'):
        print(f"Oriented Bounding Boxes (OBB): {result.obb}")

    # 打印推理速度信息
    print(f"Speed: {result.speed} ms per image")

    # 显示结果图像
    result.show()

    # 保存检测结果
    result.save()

    # 打印详细的日志字符串
    print(result.verbose())

    # 转换结果为 numpy 格式
    numpy_result = result.numpy()
    print(f"Results as Numpy Arrays: {numpy_result}")

    # 将结果转换为 JSON 格式
    json_result = result.tojson()
    print(f"Results as JSON: {json_result}")

会打印丰富的返回信息

Class Probabilities: None
Class Names: {0: 'person', 1: 'bicycle', 2: 'car', 3: 'motorcycle', 4: 'airplane', 5: 'bus', 6: 'train', 7: 'truck', 8: 'boat', 9: 'traffic light', 10: 'fire hydrant', 11: 'stop sign', 12: 'parking meter', 13: 'bench', 14: 'bird', 15: 'cat', 16: 'dog', 17: 'horse', 18: 'sheep', 19: 'cow', 20: 'elephant', 21: 'bear', 22: 'zebra', 23: 'giraffe', 24: 'backpack', 25: 'umbrella', 26: 'handbag', 27: 'tie', 28: 'suitcase', 29: 
'frisbee', 30: 'skis', 31: 'snowboard', 32: 'sports ball', 33: 'kite', 34: 'baseball bat', 35: 'baseball glove', 36: 'skateboard', 37: 'surfboard', 38: 'tennis racket', 39: 'bottle', 40: 'wine glass', 41: 'cup', 
42: 'fork', 43: 'knife', 44: 'spoon', 45: 'bowl', 46: 'banana', 47: 'apple', 48: 'sandwich', 49: 'orange', 50: 'broccoli', 51: 'carrot', 52: 'hot dog', 53: 'pizza', 54: 'donut', 55: 'cake', 56: 'chair', 57: 'couch', 58: 'potted plant', 59: 'bed', 60: 'dining table', 61: 'toilet', 62: 'tv', 63: 'laptop', 64: 'mouse', 65: 'remote', 66: 'keyboard', 67: 'cell phone', 68: 'microwave', 69: 'oven', 70: 'toaster', 71: 'sink', 72: 'refrigerator', 73: 'book', 74: 'clock', 75: 'vase', 76: 'scissors', 77: 'teddy bear', 78: 'hair drier', 79: 'toothbrush'}
Masks: None
Keypoints: None
Oriented Bounding Boxes (OBB): None
Speed: {'preprocess': 1.9345283508300781, 'inference': 493.81542205810547, 'postprocess': 0.0} ms per image
1 person, 1 car, 1 motorcycle, 1 bus, 6 traffic lights, 
Results as Numpy Arrays: ultralytics.engine.results.Results object with attributes:

boxes: ultralytics.engine.results.Boxes object
keypoints: None
masks: None
orig_shape: (897, 1381)
path: 'C:\\Users\\liguopu\\Downloads\\ultralytics-main\\test_image\\test1.jpg'
probs: None
save_dir: None
speed: {'preprocess': 1.9345283508300781, 'inference': 493.81542205810547, 'postprocess': 0.0}

二、YOLO11模型推理——实例分割

其实和上面检测的代码，基本是一样的，只需改变模型权重就可以了。

实例分割模型推理的简洁版，示例代码，如下所示： 

from ultralytics import YOLO
 
# 加载预训练的YOLOv11n模型
model = YOLO(r"weights_yolo/yolo11m-seg.pt")

# 对'bus.jpg'图像进行推理，并获取结果
results = model.predict(r"test_image/test2.jpg", save=True, imgsz=640, conf=0.5)
 
# 处理返回的结果
for result in results:
    masks = result.masks       # 获取分割信息
    # print("masks:", masks)
    result.show()              # 显示结果

打印信息：

image 1/1 C:\Users\liguopu\Downloads\ultralytics-main\test_image\test2.jpg: 288x640 1 car, 1 truck, 426.0ms
Speed: 0.0ms preprocess, 426.0ms inference, 0.0ms postprocess per image at shape (1, 3, 288, 640)
Results saved to runs\segment\predict4 

可视化实例分割的结果，如下图所示：

在coco8-seg/images/val/数据集中，看一下分割的效果

示例代码，如下所示：

from ultralytics import YOLO
 
# 加载预训练的YOLOv11n模型
model = YOLO(r"weights_yolo/yolo11m-seg.pt")

# 对'bus.jpg'图像进行推理，并获取结果
results = model.predict(r"test_image/coco8-seg/images/val/", save=True, imgsz=640, conf=0.5)
 
# 处理返回的结果
for result in results:
    masks = result.masks       # 获取分割信息
    # print("masks:", masks)
    result.show()              # 显示结果

打印信息：

image 1/4 C:\Users\liguopu\Downloads\ultralytics-main\test_image\coco8-seg\images\val\000000000036.jpg: 640x512 1 person, 1 umbrella, 772.3ms
image 2/4 C:\Users\liguopu\Downloads\ultralytics-main\test_image\coco8-seg\images\val\000000000042.jpg: 480x640 (no detections), 656.2ms
image 3/4 C:\Users\liguopu\Downloads\ultralytics-main\test_image\coco8-seg\images\val\000000000049.jpg: 640x512 4 persons, 2 horses, 1 potted plant, 718.2ms
image 4/4 C:\Users\liguopu\Downloads\ultralytics-main\test_image\coco8-seg\images\val\000000000061.jpg: 512x640 1 elephant, 695.1ms
Speed: 0.5ms preprocess, 710.4ms inference, 13.9ms postprocess per image at shape (1, 3, 512, 640)
Results saved to runs\segment\predict6

可视化实例分割的结果，如下图所示：

三、YOLO11模型推理——关键点估计

其实和上面检测的代码，基本是一样的，只需改变模型权重就可以了。

关键点估计模型推理的简洁版，示例代码，如下所示： 

from ultralytics import YOLO
 
# 加载预训练的YOLOv11n模型
model = YOLO(r"weights_yolo/yolo11m-pose.pt")

# 对'bus.jpg'图像进行推理，并获取结果
results = model.predict(r"test_image/test.jpg", save=True, imgsz=640, conf=0.5)
 
# 处理返回的结果
for result in results:
    keypoints = result.keypoints       # 获取关键点估计信息
    result.show()                      # 显示结果

打印信息

image 1/1 C:\Users\liguopu\Downloads\ultralytics-main\test_image\test.jpg: 384x640 8 persons, 426.2ms
Speed: 0.0ms preprocess, 426.2ms inference, 2.1ms postprocess per image at shape (1, 3, 384, 640)
Results saved to runs\pose\predict9

可视化关键点估计的结果，如下图所示：

四、YOLO11模型推理——旋转目标检测

其实和上面检测的代码，基本是一样的，只需改变模型权重就可以了。

旋转目标检测模型推理的简洁版，示例代码，如下所示： 

from ultralytics import YOLO
 
# 加载预训练的YOLOv11n模型
model = YOLO(r"weights_yolo/yolo11m-obb.pt")

# 对'bus.jpg'图像进行推理，并获取结果
results = model.predict(r"test_image/dota8/images/train/", save=True, imgsz=640, conf=0.5)
 
# 处理返回的结果
for result in results:
    obb = result.obb           # 获取旋转框信息
    result.show()              # 显示结果

打印信息

image 1/4 C:\Users\liguopu\Downloads\ultralytics-main\test_image\dota8\images\train\P0861__1024__0___1648.jpg: 640x640 708.0ms
image 2/4 C:\Users\liguopu\Downloads\ultralytics-main\test_image\dota8\images\train\P1053__1024__0___90.jpg: 640x640 662.0ms
image 3/4 C:\Users\liguopu\Downloads\ultralytics-main\test_image\dota8\images\train\P1142__1024__0___824.jpg: 640x640 640.9ms
image 4/4 C:\Users\liguopu\Downloads\ultralytics-main\test_image\dota8\images\train\P1161__1024__3296___1648.jpg: 640x640 691.2ms
Speed: 4.8ms preprocess, 675.5ms inference, 10.9ms postprocess per image at shape (1, 3, 640, 640)
Results saved to runs\obb\predict3

可视化旋转目标检测的结果，如下图所示：

五、YOLO11模型推理——物体分类

其实和上面检测的代码，基本是一样的，只需改变模型权重就可以了。

物体分类模型推理的简洁版，示例代码，如下所示： 

from ultralytics import YOLO
 
# 加载预训练的YOLOv11n模型
model = YOLO(r"weights_yolo/yolo11m-cls.pt")

# 对'bus.jpg'图像进行推理，并获取结果
results = model.predict(r"test_image/test.jpg", save=True, conf=0.5)
 
# 处理返回的结果
for result in results:
    probs = result.probs       # 获取分类概率
    result.show()              # 显示结果

打印信息

image 1/1 C:\Users\liguopu\Downloads\ultralytics-main\test_image\test.jpg: 224x224 basketball 1.00, ballplayer 0.00, volleyball 0.00, stage 0.00, barbell 0.00, 104.3ms
Speed: 4.7ms preprocess, 104.3ms inference, 0.0ms postprocess per image at shape (1, 3, 224, 224)
Results saved to runs\classify\predict3

可视化分类的结果，如下图所示，识别出来这是篮球（运动）

下面图像中，识别出来是斑马

下面图像中，识别出来多种物体类别

详细模型推理可以参考：https://docs.ultralytics.com/modes/predict/

相关文章推荐：一篇文章快速认识YOLO11 | 关键改进点 | 安装使用 | 模型训练和推理-CSDN博客

  YOLO11相关文章推荐：

一篇文章快速认识YOLO11 | 关键改进点 | 安装使用 | 模型训练和推理-CSDN博客

一篇文章快速认识 YOLO11 | 实例分割 | 模型训练 | 自定义数据集-CSDN博客

YOLO11模型推理 | 目标检测与跟踪 | 实例分割 | 关键点估计 | OBB旋转目标检测-CSDN博客

YOLO11模型训练 | 目标检测与跟踪 | 实例分割 | 关键点姿态估计-CSDN博客

YOLO11 实例分割 | 自动标注 | 预标注 | 标签格式转换 | 手动校正标签-CSDN博客

分享完成~

YOLOv11来了，使用YOLOv11训练自己的数据集和推理(附YOLOv11网络结构图)
在职AI算法工程师，擅长计算机视觉，YOLO目标检测、分割等，擅长web、pyqt界面可视化，好内容持续更新中，来这里跟大家一起学习，共同进步
10-02 20万+
YOLOv11 由 Ultralytics 在 2024 年 9 月 30 日发布， 最新的 YOLOv11 模型在之前的 YOLO 版本引入了新功能和改进，以进一步提高性能和灵活性。YOLO11 在快速、准确且易于使用，使其成为各种对象检测和跟踪、实例分割、图像分类和姿态估计任务的绝佳选择。
一篇文章快速认识YOLO11 | 关键改进点 | 安装使用 | 模型训练和推理
黎国溥
10-08 3万+
本文分享YOLO11的关键改进点、性能对比、安装使用、模型训练和推理等内容。YOLO11 是 Ultralytics 最新的实时目标检测器，凭借更高的精度、速度和效率重新定义了可能性。除了传统的目标检测外，YOLO11 还支持目标跟踪、实例分割、关键点姿态估计、OBB定向物体检测（旋转目标检测）等视觉任务。1. YOLOv3：核心改进：YOLOv3 是 YOLO 系列的第三代，由 Joseph Redmon 于 2018 年发布，标志着 YOLO 从原始的单尺度检测进化到多尺度检测。
YOLOv8推理详解及部署实现
周同学的博客
11-07 1万+
YOLOv8推理详解及部署实现
yolov11手掌关键点检测
最新发布
qq1309399183的博客
06-09 673
1. [项目概述](#1-项目概述) 2. [数据集说明](#2-数据集说明) - [2.1 数据来源](#21-数据来源) - [2.2 标注规范](#22-标注规范) 3. [安装指南](#3-安装指南) - [3.1 环境配置](#31-环境配置) - [3.2 数据准备](#32-数据准备) 4. [模型训练](#4-模型训练) - [4.1 超参数设置](#41-超参数设置) - [4.2 训练流程](#42-训练流程)
YOLO11 旋转目标检测| OBB定向检测 | TensorRT模型推理 | 旋转NMS
u011660055的博客
05-30 354
其中检测结果数据结构Detection添加一个rbox成员，类型为cv::RotatedBox。编译Yolo-V11-cpp-TensorRT工程，生成YOLOv11TRT执行程序。参考开源代码，以上实现了YOLO11的目标检测，先将其修改支持旋转目标检测。# 加载一个模型，路径为 YOLO 模型的 .pt 文件。将4修改为5，因为旋转框结果有5个，多了个角度。（1）YOLOv11::init 函数中。2、将onnx模型转为TensorRT。# 导出模型，格式为 ONNX。1、首先，获得onnx模型。
YOLO11 旋转目标检测 | 数据标注 | 自定义数据集 | 模型训练 | 模型推理
黎国溥
11-08 7515
在本文中，我们将详细介绍如何使用YOLO11模型实现旋转目标检测。本文内容包括数据标注、自定义数据集的准备、模型训练和推理等关键步骤，帮助大家快速搭建一个完整的旋转目标检测流程。此外，还将展示如何将模型导出为ONNX格式，以便在多种平台上部署。
YOLO11 旋转目标检测 | OBB定向检测 | ONNX模型推理 | 旋转NMS
黎国溥
11-12 5673
本文分享YOLO11中，从xxx.pt权重文件转为.onnx文件，然后使用.onnx文件，进行任务的。用，便于算法到开发板或芯片的部署。本文提供源代码，支持不同尺寸图片输入、支持旋转NMS过滤重复框、支持旋转IOU计算。备注：本文是使用Python，编写ONNX模型推理代码的。
一篇文章快速认识YOLO11 | 旋转目标检测 | 原理分析 | 模型训练 | 模型推理
黎国溥
10-24 1万+
本文分享YOLO11的旋转目标检测任务，在原始目标检测中，添加多一个角度预测，实现定向边界框检测。包括1、旋转目标检测概述；2、YOLO11中的OBB数据格式；3、分析模型配置参数；4、分析检测头代码；5、编写模型训练；6、开始训练；7、模型推理
目标检测算法——YOLOV11——算法详解
热门推荐
TigerZ*的博客
10-16 3万+
其实到了YOLOV5 基本创新点就不太多了，主要就是大家互相排列组合复用不同的网络模块、损失函数和样本匹配策略, V11支持多种视觉任务：物体检测、实例分割、图像分类、姿态估计和定向物体检测（OBB）。对比YOLOV8主要涉及到： *backbone 中的使用C2f模块 变为 c3k2 模块。 *backbone 中的最后一层（sppf层）后增加了C2PSA模块。 *head 解耦头中的分类检测头两个Conv 变为 DWConv。
TensorRT~旋转目标检测
whaosoft143ai的博客
06-19 398
仓库地址(TensorRT,ncnn)github.com/Crescent-Ao/GGHL-Deployment：这次工程部署主要选择了比较熟悉的旋转选择框架-GGHL。 whaosoft aiot http://143ai.com Cpp版本的函数名称，同Python版本的函数相一致。8点的nms参考了DOTA Devkit的实现方式，同理也可以使用Opencv的旋转框nms实现，OBBDet.h为后处理主要的头文件，传入参数和传出参数，使用了引用和指针两种分配方式。由于这个部分的实现方式有些繁琐
【DL】YOLO11 OBB目标检测 | 模型训练 | 推理
静谧、淡雅
11-08 795
YOLO11 OBB目标检测 | 模型训练 | 推理
YOLO学习笔记 ｜ YOLO11对象检测，实例分割，姿态评估的TensorRT部署c++
尘世冰封的专栏
05-22 301
该方案需要根据实际模型结构进行调整，特别是输出维度和后处理逻辑需要与具体模型版本严格匹配。建议使用TensorRT的polygraphy工具进行逐层验证，确保模型转换的正确性。
YOLO11改进 | Neck | 轻骨干重Neck的小目标检测网络【完整代码】
kay_545
10-03 1866
yolo11，yolo11改进，GFPN
C# OpenCvSharp DNN Yolov8-OBB 旋转目标检测
.NET 人工智能实践
02-26 1711
C# OpenCvSharp DNN Yolov8-OBB 旋转目标检测
YOLOv11 深度解析：自定义目标检测实战
weixin_43199439的博客
03-13 166
YOLOv11 支持COCO、Pascal VOC 格式，如果是自定义数据集，可以使用 LabelImg 标注数据，并转换成 YOLO 格式。dataset/│ ├── val/│ ├── val/└── data.yaml # 数据集配置data.yaml 配置示例nc: 3 # 类别数。
YOLO11 目标检测
氢键H-H
04-13 1万+
简单粗暴的掌握YOLO11自定义数据集训练操作，开发属于自己的目标检测工具
[C++]使用纯opencv部署yolov11旋转框目标检测
FL1623863129的博客
10-05 2217
其次，由于物体的方向和角度可能会随着图像的角度或摄像头的视角而变化，因此需要更精确的训练数据来训练模型。旋转框检测的原理是通过预测物体的边界框和旋转角度来实现的。在YOLOv11中，神经网络不仅预测了物体的边界框位置，还预测了物体的旋转角度。总的来说，YOLOv11的旋转框检测是一种强大的技术，它可以提高物体检测的准确性和灵活性。例如，在处理包含不同方向和角度的物体的图像时，旋转框检测可以提供更准确的检测结果。其中，旋转框检测是YOLOv11的一项重要特性，它可以有效地检测出不同方向和角度的物体。
旋转目标检测：FCOS: Fully Convolutional One-Stage Object Detection【方法解读】
sinat_39783664的博客
07-21 480
“旋转目标检测FCOS” 方法部分解读
yolo 旋转目标检测 rotation detect -ros-节点Node-realsense相机D435i-ABB2600-topic-service
weixin_45302322的博客
01-16 700
yolo 旋转目标检测 rotation detect -ros-节点Node-realsense相机D435i-ABB2600-topic-service
将 YOLO11n 推理
03-13
### 使用 YOLOv11n 进行推理的操作方法 YOLOv11 是 Ultralytics 公司开发的一系列目标检测模型中的最新版本之一，其性能和效率得到了显著提升[^1]。为了使用 YOLOv11n 模型进行推理操作，可以按照以下方式实现。 #### 安装依赖库 首先需要安装 ultralytics 库以及相关依赖项。可以通过 pip 工具完成安装： ```bash pip install ultralytics ``` 此命令会自动下载并配置所需的全部依赖环境。 #### 加载预训练模型 Ultralytics 提供了一系列预定义的模型权重文件，其中包括 YOLOv11n 的小型网络结构。加载该模型的方法如下所示： ```python from ultralytics import YOLO model = YOLO('yolov11n.pt') # 加载官方发布的 yolov11n 预训练权重 ``` 上述代码片段通过指定路径 `'yolov11n.pt'` 来初始化一个基于 YOLOv11n 架构的目标检测器实例。 #### 执行推理过程 一旦模型被成功加载，就可以利用它来处理输入数据（图像或视频）。以下是执行单张图片推理的一个简单例子： ```python results = model('example.jpg') # 对名为 example.jpg 的图片运行预测 ``` 这里 `results` 变量保存了所有的检测结果，包括边界框坐标、类别标签及其对应的置信度分数等信息。 如果希望进一步自定义参数设置，则可以在调用时传递额外选项给函数，比如调整置信阈值或者启用增强测试模式等等。 --- ### 注意事项 - 确保本地已存在对应版本的 `.pt` 文件；如果没有的话，程序会在首次启动期间尝试从远程服务器上拉取最新的可用副本。 - 输入源既可以是个别静态帧也可以是一段连续动态影像流，在这种情况下需循环读入每一帧再逐帧送入到神经网络当中去分析。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

一颗小树x

您的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值